贝叶斯KalmanNet：深度学习增强卡尔曼滤波中的不确定性量化
信号处理
2025-06-19 v3
摘要
近年来，将卡尔曼滤波（KF）与深度神经网络（DNN）相结合的跟踪算法日益受到关注。通过将KF转化为可训练的深度学习模型，可从数据中学习，从而在复杂且部分未知的动态中可靠地跟踪隐状态。然而，与经典KF不同，常规基于DNN的系统不会自然地在其估计之外提供不确定性度量（如误差协方差），而这对于依赖KF型跟踪的各类应用至关重要。本工作通过研究DNN辅助KF中的误差协方差提取来弥补这一差距。我们首先刻画了如何从现有DNN辅助算法中提取不确定性，并根据其与有意义KF量（如卡尔曼增益（KG）与先验协方差）关联内部特征的能力对方法加以区分。进而我们认识到，从现有架构中提取不确定性需要状态估计所不需的额外领域知识。基于此洞见，我们提出贝叶斯KalmanNet，一种将贝叶斯深度学习技术与近期提出的KalmanNet相融合、并将KF转化为随机机器学习架构的新型DNN辅助KF。该架构采用采样技术可靠预测误差协方差，无需额外领域知识，同时保留KalmanNet在部分未知动态中精确跟踪的能力。我们的数值研究表明，贝叶斯KalmanNet在代表部分未知动态系统的多种情景中提供了准确且可靠的跟踪。
引用
@article{arxiv.2309.03058,
title = {Bayesian KalmanNet: Quantifying Uncertainty in Deep Learning Augmented Kalman Filter},
author = {Yehonatan Dahan and Guy Revach and Jindrich Dunik and Nir Shlezinger},
journal= {arXiv preprint arXiv:2309.03058},
year = {2025}
}
备注
Submitted for publication in the IEEE